海天瑞聲-AI算法的“加油站”-210822（21頁）.pdf

1、我們認為，機器學習算法迭代的天然需求與應用場景的創新是 AI 基礎數據服務行業擴張的主要驅動力：專業化的訓練數據是當前 AI 算法發展迭代的剛需。算法模型從技術理論到應用實踐的落地過程依賴于大量的訓練數據。模型不是一次性構建的，需要持續學習，通過“收集行為數據收集反饋數據-模型訓練模型應用”全流程提升業務效果，避免傳統模型的效果隨著時間衰減的弊端。AI 所能帶來的價值與數據量的增加有正向關性，需要通過喂數據反復迭代算法，從而使得產品從“可用”逐步進化到“好用” 狀態。然而，從自然數據源簡單收集取得的原料數據并不能直接用于有監督的深度學習算法訓練，必須經過專業化的采集、加工，形成相應的工程化訓練

2、數據集后才能供深度學習算法等訓練使用。目前，應用有監督學習的算法對于訓練數據的需求遠大于現有的標注效率和投入預算，基礎數據服務將持續釋放其對于算法模型的基礎支持價值。深度學習模型對訓練數據的數據量、多樣性和更新速度方面提出較高要求，需要專業數據商提供服務。根據麥肯錫研究數據顯示，為充分發揮技術潛能，深度學習模型需要海量且涵蓋圖像、視頻及語音在內等多種類型的訓練數據進行模型訓練。此外，人工智能技術要求算法模型根據潛在的應用場景變化而持續更新，因此，算法模型所使用的訓練數據亦需要定期更新。具體而言，約 1/3 的算法模型每月至少更新一次，約 1/4 的算法模型每日至少更新一次，算法模型持續更新的特點將進一步拓展各領域訓練數據的需求空間。智能物聯網、產業互聯網等新型場景催生增量新需求。隨著人工智能商業化進程的演進，新興應用場景如智聯網 AIoT、AI PaaS、產業互聯網等將展現出巨大的發展潛力，并逐步促進 AI 技術和算法模型的優化和創新。因此，在創新應用場景和新型算法的帶動下，具有前瞻性的訓練數據產品和高定制化的訓練數據服務需求將逐步成為主流。